• Nenhum resultado encontrado

Ajuste do modelo de Schumacher e Hall e aplicação de redes neurais artificiais para estimar volume de árvores de eucalipto.

N/A
N/A
Protected

Academic year: 2017

Share "Ajuste do modelo de Schumacher e Hall e aplicação de redes neurais artificiais para estimar volume de árvores de eucalipto."

Copied!
8
0
0

Texto

(1)

AJUSTE DO MODELO DE SCHUMACHER E HALL E APLICAÇÃO DE REDES

NEURAIS ARTIFICIAIS PARA ESTIMAR VOLUME DE ÁRVORES DE

EUCALIPTO

1

Mayra Luiza Marques da Silva2, Daniel Henrique Breda Binoti2, José Marinaldo Gleriani3 e Helio

Garcia Leite3.

1 Recebido em 13.05.2008 e aceito para publicação em 23.06.2009.

2 Programa de Pós-Graduação em Ciência Florestal da UFV. E-mail: <mayra_ufv@yahoo.com.br> e <danielbinoti@yahoo.com.br>. 3 Departamento de Emgenharia Florestal da Universidade Federal de Viçosa (UFV). E-mail: <hgleite@ufv.br> e <gleriani@ufv.br>.

RESUMO – Objetivou-se, neste trabalho, avaliar o ajuste do modelo volumétrico de Schumacher e Hall por diferentes algoritmos, bem como a aplicação de redes neurais artificiais para estimação do volume de madeira de eucalipto em função do diâmetro a 1,30 m do solo (DAP), da altura total (Ht) e do clone. Foram utilizadas 21 cubagens de povoamentos de clones de eucalipto com DAP variando de 4,5 a 28,3 cm e altura total de 6,6 a 33,8 m, num total de 862 árvores. O modelo volumétrico de Schumacher e Hall foi ajustado nas formas linear e não linear, com os seguintes algoritmos: Gauss-Newton, Quasi-Newton, Levenberg-Marquardt, Simplex, Hooke-Jeeves Pattern, Rosenbrock Pattern, Simplex, Hooke-Jeeves e Rosenbrock, utilizado simultaneamente com o método Quasi-Newton e com o princípio da Máxima Verossimilhança. Diferentes arquiteturas e modelos (Multilayer Perceptron – MLP e Radial Basis Function – RBF) de redes neurais artificiais foram testados, sendo selecionadas as redes que melhor representaram os dados. As estimativas dos volumes foram avaliadas por gráficos de volume estimado em função do volume observado e pelo teste estatístico L&O. Assim, conclui-se que o ajuste do modelo de Schumacher e Hall pode conclui-ser usado na sua forma linear, com boa repreconclui-sentatividade e sem apresentar tendenciosidade; os algoritmos Gauss-Newton, Quasi-Newton e Levenberg-Marquardt mostraram-se eficientes para o ajuste do modelo volumétrico de Schumacher e Hall, e as redes neurais artificiais apremostraram-sentaram boa adequação ao problema, sendo elas altamente recomendadas para realizar prognose da produção de florestas plantadas.

Palavras-chave: Equações de volume, regressão não linear e redes neurais.

ADJUSTMENT OF THE SCHUMACHER AND HALL MODEL AND

APPLICATION OF ARTIFICIAL NEURAL NETWORKS TO ESTIMATE VOLUME

OF EUCALYPT TREES

ABSTRACT – This research aimed at evaluating the adjustment of Schumacher and Hall volumetric model by different algorithms and the application of artificial neural networks to estimate the volume of wood of eucalyptus according to the diameter at breast height (DBH), total height (Ht) of the clone. For such, 21 scalings of stands of eucalyptus clones were used with DBH ranging from 4,5 to 28,3 cm and total height ranging from 6,6 to 33,8 m. The Schumacher and Hall volumetric model was adjusted linearly and nonlinearly with the following algorithms: Gauss-Newton, Quasi-Newton, Levenberg-Marquardt, Simplex, Hooke-Jeeves Pattern, Rosenbrock Pattern; Simplex, Hooke-Jeeves, and Rosenbrock, used simultaneously with the

Quasi-Newton method and the principle of Maximum Likelihood. Different architectures and models (Multilayer

(2)

presenting bias of the data; the Gauss-Newton, Quasi-Newton and Levenberg-Marquardt algorithms were effective in the adjustment of Schumacher and Hall volumetric model. The artificial neural networks showed good adequacy to the problem and are highly recommended to perform production prognoses of planted forests.

Keywords: Volume equations, nonlinear regression and neural networks.

1. INTRODUÇÃO

O emprego de equações volumétricas constitui uma das principais ferramentas para quantificação da produção de povoamentos florestais, sendo base para o manejo sustentável de plantações florestais (LEITE e ANDRADE, 2003). O volume de árvores cubadas rigorosamente é correlacionado com variáveis de fácil mensuração do povoamento, como altura total e diâmetro a 1,30 m do solo (DAP).

Entre os vários modelos existentes para expressarem o volume de madeira em função do diâmetro e da altura, o modelo proposto por Schumacher e Hall (1933) é um dos mais difundidos na área florestal, devido às suas propriedades estatísticas, uma vez que resulta em estimativas quase sempre não tendenciosas (LEITE e ANDRADE, 2002; CAMPOS e LEITE, 2006). Na maioria das vezes, esse modelo volumétrico tem sido ajustado na forma aproximada (linearizado por transformação logarítmica) pelo Método dos Mínimos Quadrados Ordinários (MMQO). Quando o ajuste é feito por Método dos Mínimos Quadrados Não Lineares, os algoritmos Levenberg-Marquardt e Gauss-Newton têm sido os mais utilizados. O ajuste de modelos não lineares pode ser feito utilizando diferentes algoritmos ou métodos iterativos. Para garantir maior eficiência na modelagem, estimativas iniciais dos pontos de controle podem ser obtidas usando-se os enfoques discutidos em Drapper e Smith (1998).

Alternativa atrativa para representar relações não lineares em relação aos métodos estatísticos tradicionais tem sido a aplicação de Redes Neurais Artificiais (RNA) (LEK et al., 1996; PENG e WEN, 1999). Redes Neurais Artificiais são sistemas que possuem semelhanças com o cérebro humano, como a aprendizagem e a generalização de informações, devido ao processamento paralelo e em razão da m a s s i v a c o n e c t i v i d a d e d o s e l e m e n t o s d e processamento (“neurônios”) dispostos em uma ou mais camadas (BRAGA et al., 1998). A aplicação dessa ferramenta computacional no manejo de florestas

aprimorando técnicas de biometria e inventário florestal permite maior acurácia na estimação da produção, dando maior suporte à tomada de decisão (PENG e WEN, 1999; CASTELLANOS et al., 2007).

Diamantopoulou (2005) comprovou a superioridade das RNA em relação aos algoritmos de regressão não linear para estudar o volume de casca em Pinus e concluiu que as RNA têm grande potencial para muitas aplicações em modelagem florestal, sendo útil como alternativa às tradicionais. Gorgens (2006), utilizando dados de cubagem de diferentes empresas florestais, testou algumas formas de pré-processamento dos dados e arquiteturas de RNA para estimar volume de árvores de eucalipto (Eucalyptus spp.) e teca (Tectona grandis L.f.). Silva (2008) obteve redes neurais que estimaram, de maneira precisa, os diâmetros sem casca e do cerne ao longo do fuste para árvores de teça, superando os resultados obtidos por modelo de taper (Kozak).

Neste estudo foram avaliadas diferentes alternativas para obter as estimativas dos parâmetros do modelo de Schumacher e Hall na forma não linear, pelos algoritmos iterativos: Gauss-Newton, Quasi-Newton, Levenberg-Marquardt, Simplex, Hooke-Jeeves Pattern, Rosenbrock pattern; Simplex, Hooke-Jeeves e Rosenbrock simultaneamente com o método Quasi-Newton e pelo princípio da Máxima Verossimilhança. Também, foi objetivo avaliar o desempenho de Redes Neurais Artificiais (RNA) na estimação do volume de madeira em função do DAP, altura total e clone.

2. MATERIAL E MÉTODOS

(3)

Os volumes individuais foram obtidos pela aplicação da fórmula de Smalian. O diâmetro mínimo comercial com casca foi de 4 cm e as seções ao longo do fuste, com intervalos de 1 m.

O modelo volumétrico adotado foi proposto por Schumacher e Hall (1933), sendo:

(1)

em que:

V = volume, m3;

DAP = diâmetro a 1,3 m de altura, cm;

Ht = altura total da árvore, m;

βi = parâmetros; e

ε = erro aleatório, ε ~ NID (0, ).

Para obter a estimativa dos parâmetros pelo Método dos Mínimos Quadrados Ordinários, procedeu-se à aproximação linear do modelo de Schumacher e Hall, por transformação logarítmica:

(2)

Todos os ajustes, não lineares e RNA, foram feitos com o auxílio do programa STATISTICA 7.0; somente o método da máxima verossimilhança foi ajustado com o auxílio do programa KYPLOT, versão 2.15 beta.

Na construção e treinamento das RNA, utilizou-se a ferramenta Intelligent Problem Solver, do STATISTICA 7.0. Essa ferramenta realiza a mineração dos dados, ou seja, normaliza os dados no intervalo entre 0-1, testa diferentes arquiteturas e modelos (Multilayer Perceptron – MLP ou Radial Basis Function – RBF) de redes e seleciona as redes que melhor representem os dados. Nas redes MLP, a função de ativação (não linear), aplicada a cada neurônio, utiliza como argumento o produto escalar do vetor de entrada (x) e do vetor de peso (w) associado a esse nodo, possui pelo menos uma camada oculta de processamento e alto grau de conectividade entre os neurônios, a qual é definida pelos pesos sinápticos. Nas redes RBF, a função de ativação tem como argumento a distância entre seus vetores de entrada e de peso, e a arquitetura baseia-se em uma camada de entrada, uma camada de saída e uma única camada intermediária. O treinamento de ambos os tipos de rede, MLP e RBF, é do tipo feedforward e ocorre pelo método supervisionado.

Ajustaram-se nove RNA utilizando como variáveis de entrada o DAP e a altura total. E outras nove redes incluíram, também, a variável categórica clone. Nos dois casos, a variável de saída foi o volume total com casca (VTCC).

Os volumes estimados pelas equações obtidas usando os diferentes métodos de ajuste e as arquiteturas ajustadas com as RNA foram comparados com os correspondentes volumes observados. Essa comparação foi feita utilizando-se o teste estatístico (L&O) proposto por Leite e Oliveira (2002).

Gráficos do volume estimado em função do observado foram elaborados visando identificar possíveis discrepâncias ou tendências nas estimativas de volume.

3. RESULTADOS

Na análise gráfica dos ajustes do modelo de Schumacher e Hall (Figura 1), o modelo linearizado ajustado pelo método dos mínimos quadrados ordinários apresentou melhor ajuste aos dados. Os algoritmos Gauss-Newton, Quasi-Newton, Levenberg-Marquardt, Simplex, Hooke-Jeeves e Rosenbrock, simultaneamente com o método Quasi-Newton e o princípio da Máxima Verossimilhança, apresentaram ajuste semelhante e bom. Os algoritmos Simplex, Hooke-Jeeves Pattern e Rosenbrock Pattern não promoveram ajustes satisfatórios do modelo.

As arquiteturas das redes neurais artificiais ajustadas, dos tipos Radial Basis Function (RBF) e Multilayer Perceptron (MLP), são resumidas na Tabela1, tendo como arquitetura genérica uma camada de entrada com as variáveis DAP, Ht ou DAP, Ht e clone, uma camada oculta com n neurônios e uma camada de saída com apenas um neurônio estimando o VTCC.

Os volumes estimados pelas RNA com duas entradas (DAP e Ht) e com três entradas (DAP, Ht e Clone) em função do volume observado resultaram em tendência semelhante para ambas as opções de variáveis de entrada, porém com ligeira melhora ao incluir a variável clone, conforme ilustrado, respectivamente, nas Figuras 2 e 3.

No resultado do teste L&O, consideraram-se apenas as redes 2 e 8 de três entradas (DAP, Ht e clone), com os modelos RBF e MLP, respectivamente, com valores observados estatisticamente iguais aos estimados. Verificou-se tendência em todos os ajustes, tanto para redes quanto para Schumacher e Hall, de superestimação para árvores com DAP inferior a 10 cm.

²

s

0 1 2

LnV =b +b *LnDAP+b *LnHt+e

1 2

0

(4)

Na comparação das estimativas de volume pelo modelo linearizado e pelas redes neurais 2 e 8, que consideram DAP, Ht e clone como variáveis de entrada (Figura 4), verificou-se que não existem grandes diferenças em termos de tendenciosidade. Isso permite inferir que não há risco em utilizar o modelo de Schumacher e Hall na sua forma linearizada.

4. DISCUSSÃO

Entre os algoritmos utilizados para ajustar o modelo de Schumacher e Hall, os métodos Simplex, Hooke-Jeves e Rosenbrock Pattern apresentaram os piores ajustes, apesar de serem computacionalmente mais simples e apresentarem menor número de interações.

Por meio do teste L&O, confirmou-se que a utilização de RNA com três variáveis de entrada e arquiteturas RBF: 15-42-1 e MLP: 15-1-1 foi a melhor opção para se ter uma máxima precisão nas estimativas de volume. Esse resultado é de grande auxílio ao modelador, visto que não seria necessário o ajuste dos modelos volumétricos por clone e tendo o ajuste de RNA representativo para todos os clones da empresa (HAYKIN, 2001).

A obtenção da arquitetura adequada da rede neural depende de inúmeras tentativas, a fim de gerar resultados satisfatórios, uma vez que esse processo é aleatório, ou seja, o número de neurônios por camadas não se baseia em nenhum critério, apenas em tentativa. Assim, os resultados deste trabalho servem como ponto de partida para pesquisas posteriores.

Figura 1 – Análise gráfica do ajuste do modelo de Schumacher e Hall por diferentes algoritmos, com VTCCestimado= f (VTCCobservado).

(5)

Tabela 1 – Arquitetura das Redes Neurais Artificiais ajustadas para obtenção do volume a partir das variáveis DAP, Ht e clone.

Table 1 – Architecture of Artificial Neural Networks adjusted for obtaining volume from DAP variables, and Ht clone.

Rede Variáveis de entrada Variável de saída Tipo Número de neurônios

Camada 1 Camada 2 Camada 3

Rede 1 DAP, Ht, clone VTCC RBF 1 5 7 4 1

Rede 2 DAP, Ht, clone VTCC RBF 1 5 4 2 1

Rede 3 DAP, Ht, clone VTCC RBF 1 5 6 4 1

Rede 4 DAP, Ht, clone VTCC RBF 1 5 4 8 1

Rede 5 DAP, Ht, clone VTCC MLP 1 5 3 1

Rede 6 DAP, Ht, clone VTCC MLP 1 5 1 1

Rede 7 DAP, Ht, clone VTCC MLP 1 5 1 1

Rede 8 DAP, Ht, clone VTCC MLP 1 5 1 1

Rede 9 DAP, Ht, clone VTCC MLP 1 5 3 1

Rede 1 DAP, Ht VTCC RBF 2 1 6 1

Rede 2 DAP, Ht VTCC RBF 2 2 7 1

Rede 3 DAP, Ht VTCC RBF 2 2 1 1

Rede 4 DAP, Ht VTCC RBF 2 1 4 1

Rede 5 DAP, Ht VTCC MLP 2 1 1

Rede 6 DAP, Ht VTCC MLP 2 6 1

Rede 7 DAP, Ht VTCC MLP 2 4 1

Rede 8 DAP, Ht VTCC MLP 2 5 1

Rede 9 DAP, Ht VTCC MLP 2 3 1

Figura 2 – Análise gráfica do ajuste das redes com variáveis de entrada DAP e Ht, sendo VTCCestimado=f(VTCCobservado).

(6)

Figura 3 – Análise gráfica do ajuste das redes com variáveis de entrada DAP, Ht e clone, sendo VTCCestimado=f(VTCCobservado).

Figure 3 – Graphicalanalysis of the adjustment of networks with the input variables DBH, Ht and clone, with VTCCestimated= f (VTCCobserved ).

Figura 4 – Estimativa volumétrica pelo modelo linearizado de Schumacher e Hall e por duas arquiteturas de redes neurais

que consideram como variáveis de entrada clone, DAP e Ht.

(7)

6. CONCLUSÕES

O ajuste do modelo de Schumacher e Hall pode ser usado na sua forma linear, com boa representabilidade e sem apresentar tendenciosidade.

Os algoritmos Gauss-Newton, Quasi-Newton e Levenberg-Marquardt mostraram-se eficientes para o ajuste do modelo volumétrico de Schumacher e Hall.

A tecnologia das RNAs apresentou boa adequação ao problema, sendo esta altamente recomendada para previsão volumétrica da produção de florestas plantadas.

7. REFERÊNCIAS

CASTELLANOS, A.; BLANCO, A. M.; PALENCIA, V. Applications of radial basis neural networks for area forest. International Journal

Information Theories and Applications,

v.14, p.218-222, 2007.

CAMPOS, J. C. C.; LEITE, H. G. Mensuração

florestal: perguntas e respostas. 2.ed. Viçosa, MG: Universidade Federal de Viçosa, 2006. 470p.

DIAMANTOPOULOU, M. J. Artiûcial neural networks as an alternative tool in pine bark volume estimation. Computers and Electronics in

Agriculture, v. 48, n.3, p. 235-244, 2005.

DRAPER, N. R.; SMITH, H. Applied regression

analysis. 3.ed. New York: Wiley, 1998. 706p.

GORGENS, E. Estimação do volume de

árvores utilizando redes neurais

artificiais. 2006. 84f. Tese (Mestrado em Ciência Florestal) - Universidade Federal de Viçosa, Viçosa, MG, 2006.

HAYKIN, S. Redes neurais: princípios e prática. 2.ed. Porto Alegre: Bookman, 2001. 900p.

LEITE, H. G.; ANDRADE, V. C. L. Um método para condução de inventários florestais sem o uso de equações volumétricas. Revista Árvore, v.26, n.3, p.321-328, 2002.

LEITE, H. G.; ANDRADE, V. C. L. Importância das variáveis altura dominante e altura total em equações hipsométricas e volumétricas. Revista

Árvore, v.27, n.3, p.301-310, 2003.

LEITE, H. G.; OLIVEIRA, F. H. T. Statistical procedure to test the identity of analytical methods. Communications in Soil

Science and Plant Analysis, v. 33, n.7/8, p.1105-1118, 2002.

LEK, S.; DELACOSTE, M.; BARAN, P.;

DIMOPOULOS, I.; LAUGA, J.; AULAGNIER, S. Application of neural networks to modelling nonlinear relationships in ecology. Ecological

Modelling, v.90, n.1, p.39-52, 1996.

PENG, C.; WEN, X. Recent applications of artificial neural networks in forest resource management: an overview. In: AMERICAN ASSOCIATION FOR ARTIFICIAL INTELLIGENCE WORKSHOP, 1999, Orlando. Disponível em: <http://www.aaai.org/Library/Workshops/1999/ ws99-07-003.php>. Acesso em: 13 de março, 2008.

SCHUMACHER, F. X.; HALL, F. S. Logarithmic expression of timber-tree volume. Journal of

Agricultural Research, v.47, n.9, p.719-734, 1933.

SILVA, M. L. M. Estimação do diâmetro

sem casca e diâmetro do cerne para árvores de Tectona grandis Linn.

utilizando redes neurais artificiais.

(8)

Referências

Documentos relacionados

mais espontâneas – como manifestação que nos representa e traduz; como festa democrática que congrega tantas variedades musicais e tantas formas de brincadeiras; como

Entendemos que uma concepção passiva na formação do professor é aquela que fica restrita ao papel de usuário da representação gráfica, não lhe oferecendo a oportunidade de

Assim, realizaram-se tarefas como, por exemplo: a verificação e lançamento das Declarações CMR e das Guias de Transporte; preenchimento de minutas referentes à

Apesar da existência do projeto desde 2004 e da inserção da ação como área de atuação do Mafra em Forma da SMS - programa institucionalizado por meio de lei - o desafio atual

In addition, it has been reported that muscle of pigs with HAL nn genotype (animals more susceptible to produce PSE meat) had greater abundance of glycolytic

Os perdedores tentam abrir caminho para sair do buraco fazendo mais operações de trading, assim como os alcoólatras tentam mudar de destilado para vinho.. Todas